1、过拟合:是指一个机器学习模型在训练数据上表现得很好,但在测试数据上表现不佳的现象。过拟合可能是因为模型过于复杂或者数据量太小。如果一个模型过于复杂,它可能会在训练数据中学习到噪声,而这些噪声可能并不普遍存在于测试数据中,这样就会导致过拟合。解决过拟合的方法包括增加训练数据、减小模型复杂度、使用正则化方法等。
2、卷积神经网络(CNN)是一种深度学习算法,它具有表征学习能力,可以按照其阶层结构对输入信息进行平移不变的处理。它是一种前馈神经网络,具有深度结构,包含卷积计算。它可以用于图像分类、语音识别等任务。
3、早停(早期停止法):人工智能语境下,指一种正则化方法,在训练损失完成下降之前停止模型训练过程。当验证数据集(validationdata set)的损失开始上升的时候,即泛化表现变差的时候,就该使用早期停止法了。
4、正则化是一种在模型训练过程中使用的技术,用于控制模型在训练数据上的过拟合。在模型中添加正则化项,以限制模型参数的大小和复杂性,从而防止模型过度依赖于训练数据中的噪声。常见的正则化方法包括L1正则化、L2正则化等。正则化可以有效提高模型的泛化能力,并且在某些场合下还能提高模型的性能。
5、解决过拟合问题的两个可能方向:(1)增加训练集 (2)给模型一些限制,让模型不要有过大的灵活性。解决过拟合的问题,要给模型一些限制,最好模型正好跟背后产生数据的过程,过程是一样的就有机会得到好的结果。
6、给模型制造限制的方法:(1)给模型比较少的参数 (2)用比较少的特征,本来给 3 天的数据,改成用给两天的数据。 (3)其他方法比如早停(early stopping)、正则化(regularization)和丢弃法(dropoutmethod)。